2026-10-10
1. 微软发布 Microsoft-Decision-1：给 Agent 装上「廉价决策裁判」，定价 0.042 美元/百万 token
微软 10 月 9 日（CEO Satya Nadella 官宣）在 Microsoft Foundry 上线 Microsoft-Decision-1——一类不做生成、只做「决策打分」的新模型：给定一组固定选项，单次前向即为每个选项返回校准过的概率分，支持是非题、多选、评分，以及对 AI 回答/Agent 动作的 rubric 打分。底座是对阿里开源 Qwen3.5-9B 做后训练（未来迁移到自家 MAI 与 OpenAI 模型）；输入上限 32,768 token、返回 JSON、不支持图片/音视频。微软自测：36 个基准、近 15 万道盲测题准确率第一；P50 延迟比 Quyet-1.0-Large 快 4.5 倍、比通用模型 GPT-6 Sol 快约 35 倍；同一请求做 8 种扰动（改述、乱序选项）平均仅 1.3% 决策翻转、选项乱序零翻转。定价 0.042 美元/百万输入 token、输出免费（对比：Perplexity Decisions API 0.02、Cloudflare Clef-flash 10/9 降至 0.038、TypeSafe Jev 0.042、OpenAI Decisions 0.10，输出均免费）。内部落地：Xbox 研究用它标注 1 万余条玩家反馈（质量对标 GPT-6 Sol、快 14 倍以上、成本约低 200 倍），Copilot 团队用它给回答质量打分（快约 100 倍）。
值得关注：决策模型正独立成品类（微软、TypeSafe Jev、Liquid AI d1、OpenAI Decisions API）。价值在于把 Agent 每一步「小判断」的成本与延迟压到可忽略，并用置信度决定「执行/重试/升级给人」。对做 Agent 工作流的团队，路由、意图识别、内容审核、动作校验可外包给一个便宜小模型，不必每步都走大模型；但定价已卷到 0.02–0.042 美元区间且输出免费，选型必须把准确率与校准（同样的输入扰动是否翻转决策）一起测。
2. JetBrains 发布开源编码模型 Mellum 2.1：架构不变、强化学习变主菜，SWE-bench 从 2% 跳到 47%
JetBrains 10 月 8 日（中文源 10/9 传播）发布 Mellum 2.1，延续 12B 混合专家架构、约 2.5B 激活参数、Apache 2.0 许可（可商用），上下文 131,072 token。这次不是加大模型，而是换训练方式：把强化学习从「短期收尾」提升为后训练主体，在数学/竞赛编程/科学/工具调用/软件工程等任务上补数据，并搭建内部 RL 环境平台——训练期间启动数百万个沙盒、覆盖数千个环境；训练前筛掉公开数据中测试失效、答案不可验证、难度失当的样本。升级后模型可探索代码库、改文件并自检，JetBrains 称最大提升在编码智能体：定位失败测试根因→起草修复→验证结果。指标：SWE-bench Verified 由 Mellum 2 的 2.0 升至 47.0、SWE-bench Pro 28.0、LiveCodeBench v6 82.0、BFCL v4 62.3；同为 12B 级别的 Qwen3.5-9B 在 SWE-bench Verified（50.0）、Terminal-Bench（21.7）等长任务上仍略胜。速度上，单张 H200 高负载下吞吐接近 Qwen3.5-9B 两倍，多 token 预测（MTP）使单请求再快约 1.6 倍（MTP 头「即将推出」，vLLM 已支持）。已上 Hugging Face，GGUF（llama.cpp/Ollama/LM Studio）与 vLLM MTP 组件在计划中。
值得关注：这是「环境数量而非参数数量决定编码 Agent 能力」的又一实证：同架构只换 RL 训练就跨过「能当 Agent 用」的门槛。对预算有限、又要求代码不出内网的团队，Mellum 2.1 提供了可自托管的开源选项；但要注意其基准均为厂商自跑、外部尚未复现，且长仓库任务仍落后 Qwen3.5-9B——建议在同一 harness 下用自家仓库实测「每秒 token 数」与「真正解决的 ticket 数」，而非只看榜单。
3. Anthropic 开放 OSS Scanner：免费「最强模型」扫开源漏洞，报告不经人工复核
Anthropic 10 月 9 日推出免费、可选加入的 OSS Scanner：用其最强模型（含 Claude Mythos）定期扫描加入的开源项目，直接给维护者发漏洞报告，附复现步骤、根因解释、引入版本定位与候选补丁；注意报告完全由模型生成，不经人工审查或分类。这是 Project Glasswing 的溢出通道：过去六个月其模型在主流开源项目中发现超 29,000 个候选漏洞，但人工仅复核约 6,000 个、截至 10/2 产出 584 条公告——瓶颈在人工而非模型能力（CyberGym 上 LLM 找漏洞成功率一年内从不足 20% 升到 85% 以上）。准入参照 Google OSS-Fuzz（关键基础设施、暴露于远程攻击的项目），核心维护者通过向 GitHub 仓库提 PR + 提交 project.yaml（仓库地址、主联系邮箱、用于离线审计的 Dockerfile）、可选 threat_model.md 与 GPG 公钥加密报告，设 disabled:true 退出；已有 116 个 PR 申请。Anthropic 不对未验证发现设 90 天披露期，经人工验证后再走既有 CVD 流程。早期验证：独立渗透测试者对 48 个项目的 97 个高危发现中 85 个（88%）达标；curl 的 Daniel Stenberg 称其找到「近些年最严重的 curl 漏洞之一」，wolfSSL 74 份报告中 72 份有效、5 个转 CVE。
值得关注：模型厂商开始「替开源世界看门」，把漏洞挖掘从专家小作坊变成工业规模——同一能力若被恶意方使用即供应链噩梦，这条新闻也是能力进度的公开刻度。另一面值得警惕：AI 生成漏洞报告已让 Linus Torvalds 维护的项目、Google 等不堪重负，「无人工复核」正是对这种「报告洪水」的取舍。对维护者，建议配置 threat_model.md 与专用安全邮箱，坚持「先复现、再采信」，别被自动生成的误报带偏。
4. 星源智人形机器人 Thor 拉动 38.6 倍自重汽车，创吉尼斯世界纪录
据央广网 10 月 9 日，星源智与北京智源研究院联合研发的 Thor 全身控制模型，在北京亦庄创下「人形机器人拉动最重的汽车（40kg 以下）」吉尼斯世界纪录：机器人以 37.15kg 自重拉动 1,434kg 汽车、持续双足行进 9.92 米，牵引重量约为自身的 38.6 倍。难点不在「走得动」，而在「强交互」下的全身控制：牵引力经上肢与躯干传至全身，车辆的反作用力持续影响姿态与重心，机器人需在行进中不断调整躯干倾角、下肢支撑与迈步节奏，把外力纳入整个控制闭环。星源智定位「具身大脑平台」，以 RoboBrain Pro（可跨人形双足/轮式/机械臂/机器狗适配）+ ω-EVA 具身交互世界模型（1.2B、端侧可部署、LIBERO 成功率 98.6%）+ RoboBrain Xross 跨本体调度为技术矩阵，成立 10 个月内完成三轮融资、累计超 10 亿元（中科创星、高瓴、北工投资、中车资本、智元机器人等）。
值得关注：自由空间里「把动作做出来」与承受外力下「把任务做完」是两类控制问题，这次记录是对后者的极限验证，直接指向拉、拖、开门等真实作业场景。具身竞争焦点正从本体运控转向「具身大脑」：能否把模型跨本体复用、把世界模型嵌入行动决策闭环，是拉开梯队的关键。对关注具身落地的读者，这是「大脑层」公司能力分层的一张直观样张。
5. 比亚迪「小迪」人形机器人外观专利曝光，同周人形机器人日租金从万元跌到千元
【车企入场】10 月 9 日国家知识产权局公示比亚迪「具身智能机器人」外观设计专利（授权公告号 CN310247768S，10/6 获批）：极简黑白机身、全身多组高精度关节，用途为具备行走/平衡/交互的智能机器人，可应用于服务、教育或工业场景，与此前官方概念海报中代号「小迪」的机型高度一致。「小迪」定位商用服务机器人，身高 1.61m、体重 58.5kg、31 个自由度，灵巧手重复定位精度 ±1mm，零部件通用率超 60%、核心部件自研率 80%，今年 8 月在郑州「迪空间」首秀；比亚迪执行副总裁李柯称希望未来每家门店都部署机器人。【模式转折】据证券日报/财经早餐 10 月 10 日：国内具身机器人保有量从去年千余台跃升至约一万台（一年约 10 倍），大量设备涌入租赁市场，日租金从万元级被打到千元以下（二手电商平台价格战尤为激烈）；表演同质化使引流效应递减，客户从「购置」转向「按天租赁」，倒逼厂商从「卖设备」转向「卖服务」、深度参与场景运营。IDC：2026 上半年全球人形出货近 2.5 万台（+432.1%），中国超 1.9 万台、占约 77.9%。
值得关注：车企把整车级制造与软硬一体能力平移到机器人，是「供应链成熟→成本下行→价格跳水」的典型传导。日租金的崩盘标志着行业跨过「能上岗」门槛、进入「能赚钱」的考验：文旅场景落地规模最大但季节性强、设备闲置率高，运维成本与场景迁移效率正在吞噬租赁利润。真正的商业化闯关在于「量产+场景运营」，纯表演模式的泡沫正被挤出；对产业链而言，收入结构将从一次性销售转向持续性服务。
